【图文】第八讲 离散因变量模型(LPM,Probit,Logit)_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
第八讲 离散因变量模型(LPM,Probit,Logit)
上传于||暂无简介
大小：569.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢苹果/安卓/wp
积分 144, 距离下一级还需 1 积分
权限: 自定义头衔
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 2 天连续签到: 2 天[LV.1]初来乍到
各位前辈，本人在自学Stata中，今天根据教材用logit命令建立二值选择模型，在出现的结果中，准R2的值为0.1882，应该说拟合优度不是很好。
09:38:30 上传
但是在接下来用estat classification 来计算模型的拟合优度，得到的结果为73.65%
09:43:58 上传
再用ROC曲线来估计预测准确率为78.06%
09:46:38 上传
感觉与之前准R2的结果矛盾啊，准R2的值只有0.1882，但是后面的两项拟合优度检验都达到了70%+，这是为什么呢？
我是在同时自学计量经济和stata，之前零基础，可能有些地方理解的不对，还请大家指点下~
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
logit模型结果中的准R2和后面的预测准确率都是判断其拟合好坏的指标。不过由于logit模型是一个非线性模型，所以准R2的计算一般只做一个参考。大家一般看预测准确率的。此外，准R2低也并不一定代表模型不好，它只是表示你模型中还遗漏了很多可能与因变量有关的自变量而已，只要这些遗漏的变量是外生的，就没问题的（而遗漏的变量是否严格外生，这点没法判断）。其实只要模型系数是显著的，整体是显著的就好的。祝好运~
& & logit模型结果中的准R2和后面的预测准确率都是判断其拟合好坏的指标。不过由于logit模型是一个非线性模型，所以准R2的计算一般只做一个参考。大家一般看预测准确率的。此外，准R2低也并不一定代表模型不好，它只是表示你模型中还遗漏了很多可能与因变量有关的自变量而已，只要这些遗漏的变量是外生的，就没问题的（而遗漏的变量是否严格外生，这点没法判断）。其实只要模型系数是显著的，整体是显著的就好的。祝好运~
xddlovejiao1314 发表于
logit模型结果中的准R2和后面的预测准确率都是判断其拟合好坏的指标。不过由于logit模型是一个非线性模 ...明白了，多谢指点
对的，一楼说的好～看系数显著性和联合显著性～R方参考就好，R方太大还有编造的嫌疑呢
xddlovejiao1314 发表于
logit模型结果中的准R2和后面的预测准确率都是判断其拟合好坏的指标。不过由于logit模型是一个非线性模 ...另外，大神，能否告知下，Stata中对logit二值选择模型进行异方差检验的命令是啥？
我的教程上只介绍了Stata中对probit二值选择模型进行异方差检验和回归，即 hetprob work age education married children, het (age education married children)
如何我用的是logit进行的回归的，那么检验命令是什么？
bhxbzs 发表于
另外，大神，能否告知下，Stata中对logit二值选择模型进行异方差检验的命令是啥？
我的教程上只介绍了St ...呵呵，logit模型异常差检验命令是啥我还真不清楚。不过如果你想得到稳健的结果，可以在命令语句后面加一个robust命令呗。logit y x, r。祝好运~
xddlovejiao1314 发表于
呵呵，logit模型异常差检验命令是啥我还真不清楚。不过如果你想得到稳健的结果，可以在命令语句后面加一个 ...恩，好，以后有问题再向您请教哈
请问，为什么我的面板数据ｌｏｇｉｔ回归结果中没有报告Pseudo R2的值？
ericwing1229 发表于
请问，为什么我的面板数据ｌｏｇｉｔ回归结果中没有报告Pseudo R2的值？. xtlogit union age grade i.not_smsa south##c.year, fe
note: multiple positive outcomes within groups encountered.
note: 2,744 groups (14,165 obs) dropped because of all positive or
& && &all negative outcomes.
Iteration 0:& &log likelihood = -&&
Iteration 1:& &log likelihood = -&&
Iteration 2:& &log likelihood =&&-&&
Iteration 3:& &log likelihood =&&-&&
Conditional fixed-effects logistic regression& &Number of obs& &&&=& &&&12,035
Group variable: idcode& && && && && && && && &&&Number of groups&&=& && &1,690
& && && && && && && && && && && && && && && && &Obs per group:
& && && && && && && && && && && && && && && && && && && && &&&min =& && && & 2
& && && && && && && && && && && && && && && && && && && && &&&avg =& && &&&7.1
& && && && && && && && && && && && && && && && && && && && &&&max =& && && &12
& && && && && && && && && && && && && && && && &LR chi2(6)& && &&&=& && &78.60
Log likelihood&&=&&-& && && && && && &&&Prob & chi2& && & =& &&&0.0000
------------------------------------------------------------------------------
& && & union |& && &Coef.& &Std. Err.& && &z& & P&|z|& &&&[95% Conf. Interval]
-------------+----------------------------------------------------------------
& && && &age |& &.0710973& &.0960536& &&&0.74& &0.459& & -.1171643& & .2593589
& && & grade |& &.0816111& &.0419074& &&&1.95& &0.051& & -.0005259& &&&.163748
&&1.not_smsa |& &.0224809& &.1131786& &&&0.20& &0.843& &&&-.199345& & .2443069
& &&&1.south |&&-2.856488& &.6765694& & -4.22& &0.000& & -4.182539& &-1.530436
& && &&&year |&&-.0636853& &.0967747& & -0.66& &0.510& & -.2533602& & .1259896
& && && && & |
south#c.year |
& && && & 1&&|& &.0264136& &.0083216& &&&3.17& &0.002& &&&.0101036& & .0427235
------------------------------------------------------------------------------
. scalar r2 = e(r2_p)
. scalar list r2
& && &&&r2 =&&.复制代码
用什么命令，就要查看那个命令的帮助文件或者manual文件。
才能知道这个命令到底能提供什么。
你查xtlogit，看帮助的最后，已经列出一些保留值（一些屏幕是不显示的，所以需要查帮助文件），
其中fe里面是有pseudo R-squared.
& & [XT] xtlogit -- Fixed-effects, random-effects, and population-averaged logit models
& & Random-effects (RE) model
& && &&&xtlogit depvar [indepvars] [if] [in] [weight] [, re RE_options]
& & Conditional fixed-effects (FE) model
& && &&&xtlogit depvar [indepvars] [if] [in] [weight] , fe [FE_options]
& & Population-averaged (PA) model
& && &&&xtlogit depvar [indepvars] [if] [in] [weight] , pa [PA_options]
& && &&&. webuse union
& & Random-effects logit model
& && &&&. xtlogit union age grade i.not_smsa south##c.year
& & Equal-correlation population-averaged logit model
& && &&&. xtlogit union age grade i.not_smsa south##c.year, pa
& & Population-averaged logit model with robust variance
& && &&&. xtlogit union age grade i.not_smsa south##c.year, pa vce(robust)
& & Fixed-effects logit model
& && &&&. xtlogit union age grade i.not_smsa south##c.year, fe
Stored results
&&& & xtlogit, fe stores the following in e():
& & Scalars& && &&&
& && &e(N)& && && && && & number of observations
& && &e(N_g)& && && && &&&number of groups
& && &e(N_drop)& && && &&&number of observations dropped because of all positive or all negative outcomes
& && &e(N_group_drop)& &&&number of groups dropped because of all positive or all negative outcomes
& && &e(k)& && && && && & number of parameters
& && &e(k_eq)& && && && & number of equations in e(b)
& && &e(k_eq_model)& && & number of equations in overall model test
& && &e(k_dv)& && && && & number of dependent variables
& && &e(df_m)& && && && & model degrees of freedom
& && &e(r2_p)& && && && & pseudo R-squared
& && &e(ll)& && && && && &log likelihood
& && &e(ll_0)& && && && & log likelihood, constant-only model
& && &e(chi2)& && && && & chi-squared
& && &e(g_min)& && && && &smallest group size
& && &e(g_avg)& && && && &average group size
& && &e(g_max)& && && && &largest group size
& && &e(p)& && && && && & significance
& && &e(rank)& && && && & rank of e(V)
& && &e(ic)& && && && && &number of iterations
& && &e(rc)& && && && && &return code
& && &e(converged)& && &&&1 if converged, 0 otherwise
& & Macros& && && &
& && &e(cmd)& && && && &&&clogit
& && &e(cmd2)& && && && & xtlogit
& && &e(cmdline)& && && & command as typed
& && &e(depvar)& && && &&&name of dependent variable
& && &e(ivar)& && && && & variable denoting groups
& && &e(model)& && && && &fe
& && &e(wtype)& && && && &weight type
& && &e(wexp)& && && && & weight expression
& && &e(title)& && && && &title in estimation output
& && &e(offset)& && && &&&linear offset variable
& && &e(chi2type)& && && &LR; type of model chi-squared test
& && &e(vce)& && && && &&&vcetype specified in vce()
& && &e(vcetype)& && && & title used to label Std. Err.
& && &e(group)& && && && &name of group() variable
& && &e(multiple)& && && &multiple if multiple positive outcomes within groups
& && &e(opt)& && && && &&&type of optimization
& && &e(which)& && && && & whether optimizer is to perform maximization or minimization
& && &e(ml_method)& && &&&type of ml method
& && &e(user)& && && && & name of likelihood-evaluator program
& && &e(technique)& && &&&maximization technique
& && &e(properties)& && & b V
& && &e(predict)& && && & program used to implement predict
& && &e(marginsok)& && &&&predictions allowed by margins
& && &e(marginsnotok)& &&&predictions disallowed by margins
& && &e(asbalanced)& && & factor variables fvset as asbalanced
& && &e(asobserved)& && & factor variables fvset as asobserved
& & Matrices& && &
& && &e(b)& && && && && & coefficient vector
& && &e(Cns)& && && && &&&constraints matrix
& && &e(ilog)& && && && & iteration log
& && &e(gradient)& && && &gradient vector
& && &e(V)& && && && && & variance-covariance matrix of the estimators
& & Functions& && &
& && &e(sample)& && && &&&marks estimation sample
& & xtlogit, pa stores the following in e():
& & Scalars& && &&&
& && &e(N)& && && && && & number of observations
& && &e(N_g)& && && && &&&number of groups
& && &e(df_m)& && && && & model degrees of freedom
& && &e(chi2)& && && && & chi-squared
& && &e(p)& && && && && & significance
& && &e(df_pear)& && && & degrees of freedom for Pearson chi-squared
& && &e(chi2_dev)& && && &chi-squared test of deviance
& && &e(chi2_dis)& && && &chi-squared test of deviance dispersion
& && &e(deviance)& && && &deviance
& && &e(dispers)& && && & deviance dispersion
& && &e(phi)& && && && &&&scale parameter
& && &e(g_min)& && && && &smallest group size
& && &e(g_avg)& && && && &average group size
& && &e(g_max)& && && && &largest group size
& && &e(rank)& && && && & rank of e(V)
& && &e(tol)& && && && &&&target tolerance
& && &e(dif)& && && && &&&achieved tolerance
& && &e(rc)& && && && && &return code
& & Macros& && && &
& && &e(cmd)& && && && &&&xtgee
& && &e(cmd2)& && && && & xtlogit
& && &e(cmdline)& && && & command as typed
& && &e(depvar)& && && &&&name of dependent variable
& && &e(ivar)& && && && & variable denoting groups
& && &e(tvar)& && && && & variable denoting time within groups
& && &e(model)& && && && &pa
& && &e(family)& && && &&&binomial
& && &e(link)& && && && & link function
& && &e(corr)& && && && & correlation structure
& && &e(scale)& && && && &x2, dev, phi, or #; scale parameter
& && &e(wtype)& && && && &weight type
& && &e(wexp)& && && && & weight expression
& && &e(offset)& && && &&&linear offset variable
& && &e(chi2type)& && && &W type of model chi-squared test
& && &e(vce)& && && && &&&vcetype specified in vce()
& && &e(vcetype)& && && & title used to label Std. Err.
& && &e(nmp)& && && && &&&nmp, if specified
& && &e(properties)& && & b V
& && &e(predict)& && && & program used to implement predict
& && &e(marginsnotok)& &&&predictions disallowed by margins
& && &e(asbalanced)& && & factor variables fvset as asbalanced
& && &e(asobserved)& && & factor variables fvset as asobserved
& & Matrices& && &
& && &e(b)& && && && && & coefficient vector
& && &e(R)& && && && && & estimated working correlation matrix
& && &e(V)& && && && && & variance-covariance matrix of the estimators
& & Functions& && &
& && &e(sample)& && && &&&marks estimation sample
Stata版版规
一级伯乐勋章
一级伯乐勋章
初级学术勋章
初级学术勋章
初级热心勋章
初级热心勋章
初级信用勋章
初级信用勋章
中级热心勋章
中级热心勋章
中级学术勋章
中级学术勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
高级学术勋章
高级学术勋章
高级信用勋章
高级信用勋章
特级热心勋章
高级热心勋章
特级学术勋章
特级学术勋章
特级信用勋章
高级信用勋章
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师苹果/安卓/wp
积分 44, 距离下一级还需 1 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡下一级可获得
道具: 显身卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
尴尬签到天数: 1 天连续签到: 1 天[LV.1]初来乍到
求助各位用过order probit模型的前辈，在stata内直接用oprobit这个语句之前，是否需要检验自变量内在的一些问题以确定符合模型使用？我的应变量是明确的排序变量，自变量既有分类变量又有连续变量，看了相关文献这种情况下即可使用order probit，但是我想问问，这个模型在具体使用过程中，是否需要检验别的东西？比如OLS里面就要检验多重共线性，内生性，异方差等等。如果需要，具体该怎么操作？谢谢！
载入中......
怎么没人回答&&我也想知道
怎么没有回答&&
最近在做，也是很疑惑，没有找到确定的答案，麻烦知道的帮下忙
对连续性自变量取不取对数要看数据的分布，若是正偏态分布数据，则取对数。若数据分布和正太类似，直接纳入即可。PS：类别变量X1如果是多类别，要处理为虚拟变量才能纳入模型。
构建模型前需要对数据做一些预处理工作，如异方差诊断，多重共线性诊断，极端异常值诊断等
进一步可参考：http://www.ats.ucla.edu/stat/stata/dae/ologit.htm
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师第11章-二值选择模型_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
第11章-二值选择模型
上传于||暂无简介
阅读已结束，如果下载本文需要使用2下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩24页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢苹果/安卓/wp
积分 932, 距离下一级还需 443 积分
权限: 自定义头衔, 签名中使用图片, 隐身
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发下一级可获得
权限: 设置帖子权限道具: 提升卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 85 天连续签到: 1 天[LV.6]常住居民II
一、前言计算和互联网技术的广泛运用极大地提高了数据的可获得性，使大量的数据得以收集、保存和整理。与此同时，计量经济学在整个经济学体系中的地位日益提升。在顶级经济学杂志的论文中，应用计量论文已占到了相当高的比例。正是在这些背景之下，面板数据受到了越来越多经济研究人员的欢迎，面板数据的应用研究亦成为热点。面板数据成为研究的热点一方面自然是因为本身优秀的特质；另一方面也归因于面板数据在应用过程中仍有许多问题和未知领域需要去探索。在面板数据回归分析中，如果存在异方差，最小二乘估计出的系数尽管是线性、无偏和一致的，但不是有效的，甚至不是渐进有效的。这些影响将导致参数估计和假设检验失效。二、异方差产生的原因异方差产生的因素很多，比如模型中省略了某些重要的解释变量，模型形式设定不准确，样本数据中存在的测量误差，异常值的出现，截面个体之间的差异等。面板数据是具有时序和截面双重性质的数据形式，异方差不仅会出现在时间序列上还将出现在横截面序列上，所以面板数据模型中的异方差问题要比单纯的时间序列或截面数据模型要复杂得多。三、面板数据异方差处理方法实际上，在处理面板数据线性回归时，主要考虑固定效应模型与pooled OLS的异方差问题。因为随机效应模型使用GLS估计，本身就已经控制了异方差。Huber (1967)、Eicker (1967) 和 White (1980)提出了异方差—稳健方差矩阵估计，该方法能够在考虑异方差情况下求出稳健标准误。利用异方差稳健标准误对回归系数进行t检验和F检验都是渐近有效的。这就意味着，如果出现异方差，仍然可以使用OLS回归，只需结合使用稳健标准误即可。在STATA中，异方差—稳健标准误可以在“reg”或者“xtreg”语句后，加选择性命令“robust”即可得到。但是这一方法有一个假设的前提：残差项是独立分布的。Parks(1967)提出了可行广义最小二乘法（FGLS），一般用于随机效应模型估计。基本思路是：先估计固定效应模型，得到〖个体误差项方差σ〗_ε^2 的估计值〖&&σ ?〗_ε^2。继而估计混合OLS模型，利用其残差和第一步得到的〖&&σ ?〗_ε^2,即可估计出总体误差项的方差σ ?_μ^2 。FGLS 估计量在N→∞或T→∞或二者都成立的情况下，都是渐进有效的。在STATA中，运用可行广义最小二乘法的命令是：xtgls。FGLS 要比“OLS+稳健标准误”处理异方差的方法更为有效，特别是在大样本的情况下。但是在更一般的情况下，“OLS+稳健标准误”比FGLS稳健，因为前者不需要估计条件方差函数的形式。Beck and Katz (1995) 认为FGLS产生的标准误过小。为解决这一影响，他们提出了面板校正标准误（PCSE）来估计OLS的系数。在STATA中，带PCSE的pooled OLS可以由xtpcse获得。但是PCSE仅为T→∞时渐进有效的。当T/N 较小时，这一方法则不够精确。Driscoll& Kraay (1998)提出了在N→∞的情况下渐近有效的非参数协方差矩阵估计方法，能够获得控制异方差和自相关的一致标准误，克服了PCSE在N→∞情况下不够准确的问题。在STATA中，获得Driscoll&Kraay 标准误的命令是xtscc。需要说明的是，xtscc只适用于估计pooled OLS和固定效应（组内）回归模型。四、结论通过以上比较分析可以看出，仅仅从方法上去比较处理异方差的方式孰优孰劣是不够的，还要结合样本情况、模型设置以及个人的追求偏好（如追求稳健或追求有效的偏好）进行选择。参考文献：[1]Huber, P. J. 1967. The behavior of maximum likelihood estimates undernonstandard conditions. In Proceedings of the Fifth Berkeley Symposium onMathematical Statistics and Probability,vol.1,221-233.Berkeley,CA: Universityof California Press.[2]Eicker, F. 1967. Limit theorems for regressions with unequal and dependenterrors. In Proceedings of the Fifth Berkeley Symposium on MathematicalStatistics and Probability, ed. L. Le Cam and J. Neyman, 59-82. Berkeley, CA:University of California Press.[3]White, H. 1980. A heteroskedasticity-consistent covariance matrix estimator anda direct test for heteroskedasticity. Econometrica 48: 817-838.
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
总评分:&经验 + 100&
论坛币 + 20&
学术水平 + 4&
热心指数 + 4&
信用等级 + 4&
本帖被以下文库推荐
& |主题: 665, 订阅: 141
写得很棒啊
落叶无雨 发表于
一、前言计算和互联网技术的广泛运用极大地提高了数据的可获得性，使大量的数据得以收集、保存和整理。与此 ...好帖，赞一个～
本帖最后由 smilezhouh 于
11:38 编辑
大有获益，搞清楚了很多困惑的问题！
可是还有一个疑问：看有资料说处理异方差问题时，在回归的时候，权数可以选择按截面加权（cross-section weights）的方式，对于横截面个数大于时序个数的情况更应如此，表示允许不同的截面存在异方差现象。估计方法采用PCSE（Panel Corrected Standard Errors，面板校正标准误）方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新，可以有效的处理复杂的面 板误差结构，如同步相关，异方差，序列相关等，在样本量不够大时尤为有用。
按照这个说法，是适用大T小N的做法的。从我的数据看也是这种情况。我的是400多个公司3年的资料。是不是这个说法更可信呢？
smilezhouh 发表于
大有获益，搞清楚了很多困惑的问题！
可是还有一个疑问：看有资料说处理异方差问题时，在回归的时候，权数 ...请问一下，按照Beck和Kata提出的说法，PCSE应该是适用于大T小N吧。而你的N是400，T应该是3，这好像不符合吧？
我想请问您一个问题：如果是用GMM或SYS-GMM进行估计，需要进行异方差和自相关检验与修正吗？用OLS或2SLS进行估计是要进行异方差和自相关检验与修正的吧？
那年，那月… 发表于
请问一下，按照Beck和Kata提出的说法，PCSE应该是适用于大T小N吧。而你的N是400，T应该是3，这好像不符合 ...所以，若是小T大N的面板数据，在模型系数协方差的估计方法上是选择whiite,还是ordinary呢，既然pcse不适合的话
刚刚接触stata，想请教一下，如何在stata进行PCSES，我就属于小N大T，看见很多文献都采用了，但是却找不到命令或者教程，希望能指点一下。万分感谢。
一级伯乐勋章
一级伯乐勋章
初级学术勋章
初级学术勋章
初级热心勋章
初级热心勋章
初级信用勋章
初级信用勋章
中级热心勋章
中级热心勋章
中级学术勋章
中级学术勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
高级学术勋章
高级学术勋章
高级信用勋章
高级信用勋章
特级热心勋章
高级热心勋章
特级学术勋章
特级学术勋章
特级信用勋章
高级信用勋章
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师